MCP 到底是什么？我们为何要采用它？

MCP，即模型上下文协议（Model Context Protocol），是由 Anthropic 推出的开放式规范，旨在打通 AI 模型与外部数据源和各类工具之间的“沟通桥梁”。

设想一下，当你希望像 Claude 这样的 AI 助手读取你的文档、查询数据库或调用专属工具时，过去往往需要为每一个场景单独编写连接代码，繁琐且耗时。

MCP 就好比 AI 领域的“万用接口”：它定义了一套统一的接入标准，使得 AI 应用能够无需额外适配，就能快速挂载各种数据源和工具，从而大幅降低集成成本与开发难度。

MCP 所要攻克的核心痛点：

• 集成零散繁杂：每个 AI 应用均需为不同数据源单独开发对接接口

• 大量重复建设：各团队各自为阵，反复搭建同质化的连接方案

• N×M 接口爆炸：当 N 个 AI 客户端要接入 M 类数据源时，往往产生 N×M 条定制化集成路径

MCP 核心架构：三大角色

MCP 的设计逻辑十分直观，围绕以下三类主体展开：

1. 主机（Host）

主机是 MCP 体系的“大脑”，它负责：

• 创建并管理多个客户端实例

• 掌控客户端的访问权限与生命周期

• 实施安全策略与权限校验

• 协调 AI/LLM 与各组件之间的交互

在实际使用中，主机通常指你正在运行的 AI 应用，比如 Claude Desktop、Cursor 编辑器，或其他兼容 MCP 的工具。

2. 客户端

客户端由主机动态生成，用来对接特定服务器，它的职责包括：

• 与某一服务器建立专属会话

• 完成协议协商与功能能力交换

• 在服务器与主机间进行双向消息转发

每个客户端实例仅专注于与对应服务器的通信，确保信息流畅无误。

3. 服务器

服务器是功能和数据的提供者，它：

• 通过 MCP 接口暴露资源、工具或提示模板

• 独立运行，专注履行自身职责

• 可部署为本地进程或远程服务

你将构建的正是这一环节，使 AI 能够调用你的特定数据源或业务功能。

MCP 的三大功能模块

MCP 服务器可为 AI 模型提供三类关键服务：

1. 资源

资源指服务器向 AI 暴露的各种数据内容，每项资源均有唯一 URI 标识。

• 示例：文件系统中的文档、数据库里的表结构或字段说明、特定业务信息等

• 由应用端驱动，根据上下文需求动态聚合并下发给模型

2. 工具

工具使 AI 模型能够执行具体操作，每个工具通过名称与元数据描述自身接口。

• 示例：数据库查询工具、调用外部 API 的接口、复杂计算模块等

• 由模型主动调用：AI 根据上下文和用户指令自动发现并触发所需工具

3. 提示模板

提示模板是一组预定义的结构化消息和指令，帮助模型高效完成特定任务。

• 示例：生成报告的格式化模板、代码审查的专用指令集等

• 由用户选定并传入参数，确保输出符合预期需求

实战演练：打造你第一个 MCP 服务器

接下来，我们将通过两个简明示例，分别使用 Python 与 Node.js，手把手实现一个 MCP 服务器。

方案一：Python 版简易计算器

在此示例中，我们将创建一个基础的 MCP 服务器，向 AI 模型公开“加法”和“乘法”两个工具，演示如何快速让模型调用你的自定义功能。

import sysfrom mcp.server.fastmcp import FastMCP
# 初始化MCP服务器calculator = FastMCP("calculator")
# 注册加法工具@calculator.tool()async def add(a: float, b: float) -> float:    """将两个数字相加并返回结果。"""    print(f"执行加法: {a} + {b}", file=sys.stderr)    return a + b
# 注册乘法工具@calculator.tool()async def multiply(a: float, b: float) -> float:    """将两个数字相乘并返回结果。"""    print(f"执行乘法: {a} * {b}", file=sys.stderr)    return a * b
# 运行服务器if __name__ == "__main__":    calculator.run(transport="stdio")

步骤说明：

安装依赖：首先安装 MCP Python SDK

pip install "mcp[cli]"

创建服务器文件：将上面的代码保存为 calculator.py

运行服务器：

python calculator.py

连接到 Claude Desktop：

• 打开 Claude Desktop 应用

• 在聊天输入框中，你会看到一个插件图标( )

• 点击并选择"Connect to MCP Server"

• 输入你的服务器路径（如果是在本地运行，通常是当前目录下的 calculator.py）

使用服务器：

• 连接后，你可以在 Claude 中要求计算，如"请帮我计算 15+27"

• Claude 会自动调用 add 工具，返回结果 42

方案二：NodeJS 文件读取服务器

下面是一个使用 NodeJS 创建的简单 MCP 服务器，用于读取本地文件：

import { MCPServer } from '@modelcontextprotocol/typescript-sdk';import fs from 'fs/promises';import path from 'path';
// 创建MCP服务器const server = new MCPServer({  name: 'file_reader'});
// 注册读取文件工具server.registerTool({  name: 'read_file',  description: '读取指定路径的文本文件内容',  parameters: {    type: 'object',    properties: {      file_path: {        type: 'string',        description: '要读取的文件路径'      }    },    required: ['file_path']  },  handler: async ({ file_path }) => {    try {      // 确保文件路径安全      const normalizedPath = path.normalize(file_path);      // 读取文件内容      const content = await fs.readFile(normalizedPath, 'utf-8');      return content;    } catch (error) {      return `读取文件失败: ${error.message}`;    }  }});
// 启动服务器server.start();

步骤说明：

初始化项目：

mkdir file-reader-mcpcd file-reader-mcpnpm init -ynpm install @modelcontextprotocol/typescript-sdk

创建服务器文件：将上面的代码保存为 index.js

配置 package.json：添加 type:"module"和启动脚本

{  "type": "module",  "scripts": {    "start": "node index.js"  }}

运行服务器：

npm start

连接到 Claude Desktop：同上，连接到你的文件读取服务器

使用服务器：

• 你可以在 Claude 中要求读取特定文件，如"请读取 D:/projects/example.txt 文件"

• Claude 会使用 read_file 工具读取并展示文件内容

应用示例：GitHub Pull Request 审核助手

在此示例中，我们将开发一款能够自动化审查 GitHub PR 的助手，具备以下功能：

• 抓取指定 PR 的代码变更详情

• 利用 Claude 对差异部分进行智能分析

• 将审查结果同步写入 Notion 中便于后续跟踪和归档

该 MCP 服务器的核心功能：

# 省略导入和初始化代码...
class PRAnalyzer:    def __init__(self):        # 加载环境变量        load_dotenv()                # 初始化MCP服务器        self.mcp = FastMCP("github_pr_analysis")                # 初始化Notion客户端        self._init_notion()                # 注册MCP工具        self._register_tools()        def _register_tools(self):        """注册PR分析工具"""        @self.mcp.tool()        async def fetch_pr(repo_owner: str, repo_name: str, pr_number: int) -> Dict[str, Any]:            """获取GitHub PR的变更内容"""            pr_info = fetch_pr_changes(repo_owner, repo_name, pr_number)            return pr_info                @self.mcp.tool()        async def create_notion_page(title: str, content: str) -> str:            """创建Notion页面保存PR分析结果"""            # 创建Notion页面的代码...            return f"Notion页面'{title}'创建成功!"        def run(self):        """启动MCP服务器"""        self.mcp.run(transport="stdio")
# 启动服务器if __name__ == "__main__":    analyzer = PRAnalyzer()    analyzer.run()

使用步骤：

1. 启动你的 PR 审核 MCP 服务

2. 在 Claude Desktop 中添加并连接该服务

3. 向 Claude 下达审查请求，例如：“请帮我审查 owner/repo 库的 #123 号 PR”

4. Claude 会调用 fetch_pr 工具拉取该 PR 的变更内容

5. Claude 对代码差异进行智能分析，并反馈评审意见

6. 若需归档评审结果，可指示 Claude 调用 create_notion_page 工具，将分析报告写入你的 Notion 空间

安全与隐私考量

在部署和使用 MCP 时，需要遵循以下原则，确保数据与操作的安全性：

• 用户知情与授权：在任何数据访问或操作前，清晰告知用户用途并征得其同意。

• 数据保密与访问控制：主机在转发用户数据给服务器之前，需获得明确授权；敏感信息应加密并设置严格权限。

• 工具执行风险管理：由于工具调用可能执行任意代码，主机须在触发前再次取得用户许可，并通过白名单或沙箱隔离降低风险。

• LLM 交互与采样审批：任何涉及语言模型采样的请求，都要让用户确认采样意图、所用提示与可见结果；禁止在未经授权的情况下发送私密数据给模型。

总结与未来展望

MCP 作为开放标准，为 AI 模型与外部系统的对接提供了显著优势：

• 一体化集成：统一协议大幅简化了对接流程，减少重复开发。

• 跨平台互通：支持在不同 AI 引擎与供应商之间灵活切换，无需定制化适配。

• 安全可控：数据与权限可在本地或受信任环境中管理，降低隐私泄露风险。

• 高可扩展性：兼容 stdio、WebSocket、HTTP 等多种通信方式，易于横向扩展。

随着 MCP 生态系统的发展，以后将持续壮大：

• 即插即用插件：社区和厂商将贡献更多开箱即用的服务器实现。

• 集中化发现平台：可能出现 MCP 注册中心，便于搜索、验证与管理服务。

• 全面远程支持：基于 SSE、gRPC 等协议的远程 MCP 服务将更加成熟。

• 标准化安全认证：与 OAuth 2.0、OIDC 等认证框架深度融合，提升安全体验。